fa ارائه مدلی برای پیش‎‌بینی احتمال ابتلا به بیماری پوکی استخوان با استفاده از الگوریتم های درخت تصمیم بهداشت health پژوهشي-کامل Research(Original) سابقه و هدف: امروزه بیماری‌هایی مانند پوکی استخوان که بدون هیچ علامتی ناگهان فرد مبتلا را به شکستگی‌های زیادی در نواحی مختلف بدن از جمله ستون فقرات، قفسه سینه، دست‌ها و پاها دچار می‌سازد و در نهایت باعث مرگی دردناک می‌شود در اغلب سالخوردگان مشاهده می‌شود. به گزارش وزارت بهداشت 6/4 درصد افراد 20 تا 70 سال در ایران به پوکی استخوان در ستون فقرات مبتلا هستند. هدف این مقاله تعیین عوامل تأثیرگذار در بروز پوکی استخوان و نیز ارائه مدل پیش‌بینی‌کننده‌ای برای تشخیص این بیماری به منظور افزایش سرعت تشخیص و نیز کاهش هزینه‌های تشخیصی می‌باشد. مواد و روش ها: اطلاعات مربوط به 670 بیمار در چهار بخش اطلاعات فردی، سبک زندگی و اطلاعات بیماری‌ها و نتایج دستگاه DEXA بررسی شده است. در این مقاله مدل جدیدی بر اساس متدولوژی استاندارد CRISP ارائه شده است. در بخش مدل سازی از سه روش شناخته شده در داده کاوی به نام های درخت تصمیم CHAID و C5.0 و شبکه عصبی مصنوعی استفاده شده است. برای تحلیل داده ها از نرم افزار Celementine 12.0 استفاده شده است. یافته ها: در این تحقیق برای اولین بار در ایران ویژگی‌های تاثیرگذار بر پوکی استخوان در بیماران مورد بررسی قرار گرفته است. با استفاده از داده کاوی و روش‌های آن ویژگی‌های تاثیرگذار بر این بیماری شناسایی شده‌اند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده اند که می تواند به عنوان الگویی برای پیش بینی وضعیت بیماران از آن‌ها استفاده کرد. دقت مدل‌های ساخته شده با استفاده از الگوریتم‌های C.5.0، CHAID و شبکه عصبی مصنوعی با یکدیگر مقایسه شده‌اند. نتایج این مقایسه نشان می‌دهد هریک از این الگوریتم‌ها در پیش‌بینی گروهی از افراد بهتر عمل می‌کند. استنتاج: به طور کلی دقت الگوریتم‌های شبکه عصبی مصنوعی از الگوریتم‌های درخت تصمیم بیش‌تر است. بیش‌ترین عوامل تأثیر گذار بر پوکی استخوان شناسایی شدند. با توجه به قوانین ایجاد شده برای یک نمونه جدید با ویژگی‌های مشخص، می‌توان پیش‌بینی کرد بیمار احتمالا دچار پوکی استخوان خواهد شد یا خیر. Background and purpose: Some diseases such as osteoporosis may have no symptom but suddenly cause fractures in different parts of body such as spine, chest, hands and legs, thereby resulting in very painful death in old people. According to a report by Iran’s ministry of health 4.6% of people aged 20 to 70 years in Iran are affected by osteoporosis in the spine. This study aimed at determining the factors influencing the incidence of osteoporosis and also providing a predictive model to speed up the detection and reduce diagnostic costs. Material and Methods: Data was collected by interviewing 670 patients in an orthopedic clinic. The information included demographic information, lifestyle and diseases, and the results of DEXA scan. In this paper, a new model based on the standard methodology CRISP is presented. In modeling, three known data mining methods, the CHAID, C5.0 decision tree, and neural network were used. For data analysis Celementine V.12.0 was used.. Results: In this study, for the first time in Iran, the characteristics affecting osteoporosis in patients has been studied. Using data mining techniques, influencing characteristics of the disease have been identified. According to the created decision tree, some rules are derived that can be used as a model for the prediction of patient’s status. Accuracy of built models using the algorithms C.5.0, CHAID, and neural networks were compared. Each algorithm was observed to act better in predicting osteoporosis in a specified group of people. Conclusion: The accuracy of artificial neural networks algorithm is higher than that of the decision tree algorithm. In this study the most affected factors on osteoporosis were detected. According to the created rules for a new instant with specified features, we can predict whether a patient will probably suffer from osteoporosis or not. پوکی استخوان, داده کاوی, درخت تصمیم, شبکه عصبی مصنوعی Osteoporosis, data mining, decision tree, artificial neural network 110 118 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-29-213&slc_lang=fa&sid=1 Sharifkhani Mona مونا شریف خانی 100319475328460039047 100319475328460039047 No 2 MSc in Information Technology, Faculty of Industrial Engineering, Khajeh Nasir Toosi University of Technology, Tehran, Iran علوم پزشکی مازندران Alizadeh Somayeh سمیه علیزاده 100319475328460039048 100319475328460039048 No علوم پزشکی مازندران علوم پزشکی مازندران Mahnaz Abbasi مهناز عباسی 100319475328460039049 100319475328460039049 No علوم پزشکی مازندران علوم پزشکی مازندران Hakimeh Ameri حکیمه عامری hameri@mail.kntu.ac.ir 100319475328460039050 100319475328460039050 Yes علوم پزشکی مازندران علوم پزشکی مازندران